跳转至

SMMR — Vol 35 Issue 9 · 2026-10-12

  • 共 12 篇 · Statistical Methods in Medical Research
  • 目录核对 ⚠️ 疑似漏 1 篇(对照 OpenAlex 13 篇):10.1177/09622802261423186

本期导览

自动生成:归纳本期主要主题与脉络,不打分、不排名。

本期《SMMR》第35卷第9期共收录12篇论文,整体呈现两条主线:一是因果推断与试验设计中的估计目标与稳健性,二是非参数方法与计算工具在复杂数据场景下的扩展。因果推断主线占据近半篇幅,聚焦于处理效应异质性评估、中介分析、多状态病程因果框架、整群随机交叉试验的估计量定义,以及小型试验中的协变量调整与随机化策略。另一条主线围绕非参数推断与统计计算展开,涉及LROC曲线扩展、高维变点监控、贝叶斯网络与INLA的结合,以及零膨胀计数和治愈模型的建模改进。

因果推断主线中,最突出的是对“估计目标”的精细刻画与推断策略的实用化。Evaluating and testing for actionable treatment effect heterogeneity将HTE评估从点估计转向预测性能差异,通过嵌套交叉验证构造置信区间与p值,直接回应实践者“是否值得采用复杂模型”的决策需求。What is estimated in cluster randomized crossover trials with informative sizes?系统梳理了信息性群大小下四种加权ATE estimand的定义与估计量相合性,明确指出嵌套可交换混合效应模型对任何有意义estimand的局限性,为设计选择提供理论依据。Estimating the effects of treatment regimes over the course of chronic disease提出分裂状态框架,在基线混杂下定义多状态病程的治疗策略效应,并以g-formula结合多状态Cox模型估计最优策略,展示了因果推断在慢性病精准干预中的应用路径。Bayesian mediation analysis for zero-inflated mediator则针对中介变量零膨胀问题,将效应分解为零概率与非零部分均值两个分量,并配套R包,为中介分析提供了可操作的贝叶斯工具。

非参数与计算主线中,Nonparametric inference for the localization receiver operating characteristic curve将LROC曲线扩展至自由响应多标记场景,给出渐近性质与bootstrap置信带,填补了该领域理论空白;Nonparametric change-point control charts将高维两样本检验与统计过程控制结合,实现均值和协方差的联合监控与事后诊断,适用于医学影像等复杂数据。Advancing multilevel Bayesian networks with efficient Bayesian inference首次在INLA框架下支持多个相关随机效应,虽方法学创新有限,但为分层贝叶斯网络提供了高效计算替代方案。其余如A flexible bivariate cure model与A more interpretable regression model for count data分别扩展了治愈模型与零膨胀回归的可解释性,但均属应用建模范畴,创新性相对有限。

对于因果推断方向的研究者,优先关注Evaluating and testing for actionable treatment effect heterogeneity(HTE预测性能推断)、What is estimated in cluster randomized crossover trials with informative sizes?(estimand定义与估计量选择)以及Estimating the effects of treatment regimes over the course of chronic disease(多状态因果框架)。半参数效率与高维方向可关注Nonparametric inference for the localization receiver operating characteristic curve(非参估计渐近理论)与Nonparametric change-point control charts(高维联合监控)。若对试验设计中的协变量调整感兴趣,Stratification in small randomised clinical trials与Covariate-adaptive randomization with dropouts提供了针对小样本与脱落场景的实用建议。

因果推断 (causal_inference, 7 篇)

1. 10.1177/09622802261470081 · arXiv — Evaluating and testing for actionable treatment effect heterogeneity

  • 作者: Mahsa Ashouri, Nicholas C Henderson
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Miami University · University of Michigan
  • 分类: vol 35 · issue 9 · pp 2001-2023
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对异质性处理效应(HTE)建模的实用性问题,提出一种评估HTE模型是否比不允许处理效应异质性的部分线性模型更具预测优势的方法。目标估计量是两种模型预测性能(如交叉验证误差)之差,并利用嵌套交叉验证技术构造该差异的置信区间,进而定义'预测性HTE p值'以量化对HTE建模增益的信心。该方法具有通用性,适用于任何纳入处理效应异质性的预测模型。主要贡献在于将HTE评估从估计转向预测性能推断,为实践者提供了一种直接判断是否值得采用复杂HTE模型的工具。对您而言,该方法与您在因果推断中估计ATE/HTE的兴趣相关,其嵌套交叉验证推断思路可迁移至您熟悉的估计理论框架中。
  • 关键技术: nested cross-validation, prediction error inference, partial linear model, heterogeneous treatment effects, confidence intervals
  • 为什么对您有用: 本文属于因果推断中HTE评估的应用型方法,与您的primary interest(causal inference)直接相关。您可以用very_familiar的估计理论(如非参数回归的偏差-方差权衡)来审视其预测增益估计的偏差来源,或用moderately_familiar的semiparametric theory分析部分线性模型的约束是否最优。中期可做:若想深入,需在cross-fitting和推断理论上加强(moderately_familiar中的semiparametric theory)。

2. 10.1177/09622802261468022 — Bayesian mediation analysis for zero-inflated mediator

  • 作者: Jinhong Cui, Xiaoxiao Zhou, Melissa J Smith, Andrew Sims, Justin M Leach, D. Leann Long et al.
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Fox Chase Cancer Center · University of Alabama at Birmingham · University of Mississippi Medical Center · Wake Forest University
  • 分类: vol 35 · issue 9 · pp 1882-1896
  • 相关性 7/10 · novelty: application
  • 摘要: 本文提出一个灵活的贝叶斯中介分析框架,用于处理中介变量存在零膨胀(excess zeros)的情形,并兼容多种结局分布(如二值、计数、连续)。该方法对中介和结局分别建立贝叶斯模型,采用 MCMC 进行参数估计,并将中介效应分解为受零概率影响和受非零部分均值影响的两个分量。通过模拟研究,作者展示了该方法在点估计准确性、覆盖率以及效应分解精度上优于现有方法。作者还开发了 R 包 mediationBayes 以方便应用,并在 REGARDS 研究中分析了吸烟包年数在教育水平与高血压发病关联中的中介作用,效应以风险比尺度量化。该工作对您可能有用:它属于因果推断中纵向/中介分析的应用,且其效应分解思路可与您熟悉的 semiparametric 效率理论结合,用于推导更高效的估计量。
  • 关键技术: Bayesian mediation analysis, zero-inflated mediator, MCMC, effect decomposition, R package
  • 为什么对您有用: 本文属于因果推断中的中介分析应用,直接对应您 primary interest 的 mediation 子方向。其效应分解为概率和均值两部分,您可以用 very_familiar 的 semiparametric 理论(如 influence function)来审视其估计量的效率,或考虑用 HOIF 改进。中期可做:需先熟悉贝叶斯 MCMC 的具体实现(moderately_familiar 中的 identification theory 可帮助理解分解的因果解释)。

3. 10.1177/09622802261445822 — Estimating the effects of treatment regimes over the course of chronic disease: A multi-state causal framework with baseline confounding

  • 作者: Ming Ding
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of North Carolina at Chapel Hill
  • 分类: vol 35 · issue 9 · pp 1806-1817
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对慢性病多状态病程中的治疗策略因果效应估计问题,提出一个离散时间分裂状态(split-state)框架,将疾病状态按既往史细分,使转移率同时具备“无记忆”和“有记忆”特性。在此框架下,作者在基线混杂恒定和干预对转移率瞬时作用的假设下,定义静态和动态治疗策略的因果效应,并以多病调整生命年(MALY)为目标识别最优策略,用亚状态生命年(SSLY)分解机制。估计采用多状态Cox模型与g-formula结合的策略,通过ARIC数据应用,发现“初始正常体重、65岁后转超重”策略比“全程正常体重”策略的MALY高1.80年(95% CI: 0.62, 2.78)。该方法为慢性病精准预防提供了因果推断工具,但对未观测混杂和假设违背的敏感性分析未涉及。对您而言,该文将因果推断中的动态治疗策略与纵向多状态数据结合,是您causal inference与longitudinal方向的直接应用,其识别假设和估计策略值得借鉴。
  • 关键技术: multi-state model, split-state framework, g-formula, static and dynamic treatment regimes, MALY and SSLY summary measures
  • 为什么对您有用: 本文属于causal inference在纵向多状态数据中的应用,直接对应您的primary interest中的longitudinal和causal inference子方向。您可用very_familiar的estimation theory in causal inference来审视其g-formula估计的有限样本性质,或用moderately_familiar的identification theory来探讨其假设的可检验性。中期可做:若想扩展至未观测混杂,需在proximal causal inference上积累(moderately_familiar),但当前框架下立即可做的是复现其ARIC分析并检验敏感性。

4. 10.1177/09622802261470087 · arXiv — What is estimated in cluster randomized crossover trials with informative sizes? A survey of estimands and common estimators

  • 作者: Kenneth M Lee, Andrew B Forbes, Jessica Kasza, Andrew Copas, Brennan C Kahan, Paul J Young et al.
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Pennsylvania · Monash University · MRC Clinical Trials Unit at UCL · The University of Melbourne · Wellington Hospital · Medical Research Institute of New Zealand · Yale University
  • 分类: vol 35 · issue 9 · pp 1980-2000
  • 相关性 6/10 · novelty: application
  • 摘要: 本文系统梳理了整群随机交叉(CRXO)试验中,当群大小、时期大小或群-时期大小携带信息(即处理效应随这些大小变化)时,不同加权方式下常见估计量所估计的因果参数。作者定义了四种加权ATE estimand:个体加权(iATE)、群加权(cATE)、群-时期加权(cpATE)和时期加权(pATE),并指出在信息性大小下这些estimand会彼此不同。针对横断面CRXO设计中的连续结局,文章考察了四种估计量(独立估计方程、固定效应模型、可交换混合效应模型、嵌套可交换混合效应模型)在未加权和三种逆大小加权下的相合性。主要理论结果是:嵌套可交换混合效应模型(无论加权与否)对任何有意义的estimand都不相合,可能产生严重偏倚;而独立估计方程(未加权或加权)以及特定场景下的固定效应和可交换混合效应模型,可以对有意义的estimand给出相合且经验上无偏的估计。该文为CRXO试验中estimand的选择和估计量的匹配提供了实用指南,对因果推断中处理效应异质性与聚类结构交互的研究有参考价值。
  • 关键技术: cluster randomized crossover design, weighted ATE estimands, informative cluster sizes, independence estimating equation, mixed effects models, consistency analysis
  • 为什么对您有用: 该文直接关联因果推断中处理效应异质性(按群/时期加权)与估计量相合性的核心问题,属于您primary interest中'causal inference (identification, estimation)'的具体场景。可用您very_familiar的'minimax bounds for estimation problems'框架来审视其相合性结论的有限样本表现,或结合您moderately_familiar的'identification theory in causal inference'来探讨estimand识别假设的充分性。中期可做:将此类加权estimand的相合性分析推广到纵向或更复杂聚类结构,需先加强'longitudinal'方向的建模能力。

5. 10.1177/09622802261454791 — A flexible rank-based framework for individualized treatment selection with mixed-type multivariate outcomes

  • 作者: Chathura Siriwardhana, Bakeerathan Gunaratnam, Karunarathna Bandara Kulasekera
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Hawaiʻi at Mānoa · University of Louisville
  • 分类: vol 35 · issue 9 · pp 1818-1837
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个基于秩的个体化治疗选择框架,适用于包含连续、有序、二元和右删失生存结局的混合类型多变量结局。对每个结局和治疗,用条件分位数、生存概率和有序阈值处的尾概率等临床相关参数概括给定协变量的条件结局分布,并将各治疗臂的汇总向量组装成共同结构。每个汇总分量诱导一个治疗排序,通过马氏距离量化结局特异性排序与候选排序向量之间的差异,该距离包含用户指定的结局权重和经验估计的缩放矩阵,最优治疗定义为总体秩最有利的治疗臂。结局汇总用灵活的树集成方法估计,但其他回归或机器学习工具也可用而不改变决策规则。蒙特卡洛模拟显示正确选择治疗的概率较高,且随信噪比增加而改善,对结局权重选择不敏感。用 AIDS 临床试验数据说明方法,给出平衡 CD4 反应、CD4/CD8 比值和复合时间-事件终点的个体化抗逆转录病毒方案推荐。对您可能有用:该框架将多结局个性化治疗选择转化为排序问题,与您因果推断中个体化治疗规则估计的兴趣相关,且其基于秩的稳健性可联系到您的非参数理论背景。
  • 关键技术: rank-based decision rule, Mahalanobis-type distance, tree-based ensemble methods, mixed-type outcomes, conditional quantiles, survival probabilities
  • 为什么对您有用: 该论文直接关联因果推断中的个体化治疗选择(ITR)子方向,且处理多结局混合类型,这是您 primary interest 中 causal inference 的具体应用。您 very_familiar 中的非参数统计和 minimax 界可用于分析其基于秩的估计量的理论性质,例如秩统计量的渐近分布和最优性。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以推导其决策规则的效率界。暂不可做:核心机制(多结局排序聚合)不在您武器库中,但可借鉴其框架。

6. 10.1177/09622802261454833 — Stratification in small randomised clinical trials and analysis of covariance: Some simple theory and recommendations

  • 作者: Stephen Senn, Franz König, Martin Posch
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of St Andrews · University of Sheffield
  • 分类: vol 35 · issue 9 · pp 1838-1856
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对小型随机临床试验中连续协变量的分层平衡问题,研究在结局模型中应纳入分层指示符S、连续协变量X、两者或两者皆不纳入的模型选择问题。作者将协变量加入线性模型对治疗效应推断的影响分解为三个独立部分:均方误差效应、方差膨胀因子和二阶精度,并强调即使最终需联合考虑,分开分析也更有指导意义。文章重点推导了方差膨胀因子的简单理论,用于指导试验设计者选择模型,并考虑了结局与协变量关系形式未知的情形。主要结论是连续协变量应始终纳入模型,而分层指示符是否纳入取决于具体情境。该文为临床试验中的协变量调整提供了实用的理论依据,与您对因果推断中估计和敏感性分析的关注相关,可作为实际试验设计中的参考。
  • 关键技术: analysis of covariance, variance inflation factor, stratified randomization, model selection, linear regression
  • 为什么对您有用: 本文属于因果推断中临床试验的协变量调整问题,直接关联您的primary interest中的估计理论。您可以用very_familiar的估计理论工具(如线性模型的最小二乘理论)来验证或扩展其方差膨胀因子推导,属于立即可做的范畴。

7. 10.1177/09622802261475671 — Covariate-adaptive randomization with dropouts

  • 作者: Meng-Hsuan Sung, Qian Xiao, Ye Shen
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Georgia · Shanghai Jiao Tong University
  • 分类: vol 35 · issue 9 · pp 2024-2044
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对临床试验中协变量自适应随机化(covariate-adaptive randomization)在存在患者脱落(dropout)情况下的设计问题,提出将脱落信息显式纳入随机化分配的新策略。研究目标是减少因脱落导致的治疗组间协变量不平衡,并改善治疗效应推断的统计性质。方法上,作者在现有协变量自适应设计(如最小化法)基础上,结合脱落概率或脱落模式调整分配概率,并系统考察了调整后设计的协变量平衡性、治疗分配比例及检验功效等性质。通过大量模拟研究,展示了所提方法在有限样本下相比忽略脱落的标准设计在平衡性和功效上的优势。该工作为后续在脱落挑战下发展协变量自适应随机化提供了基础。对您而言,本文属于临床试验设计中的因果推断应用,其处理脱落与随机化交互的思路可迁移至纵向因果推断中的动态处理分配问题。
  • 关键技术: covariate-adaptive randomization, minimization method, dropout modeling, simulation study
  • 为什么对您有用: 本文连接您的因果推断兴趣中的纵向/临床试验设计子方向,且涉及脱落这一缺失数据问题。您可用 very_familiar 的估计理论(如逆概率加权)来评估其调整策略的渐近性质,或从 identification 角度审视脱落机制假设。中期可做:若想深入,需在 moderately_familiar 的 semiparametric theory 上加强,以推导调整后估计量的效率界。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 10.1177/09622802261468028 — Nonparametric inference for the localization receiver operating characteristic curve and its extension to free-response image localization tasks

  • 作者: Kaiyuan Liu, Xiao-Hua Zhou
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Peking University
  • 分类: vol 35 · issue 9 · pp 1932-1958
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对诊断测试中定位病灶的评估问题,扩展了局部化ROC(LROC)曲线到自由响应任务,其中每个病例可标记多个可疑位置。现有LROC和FROC曲线在定义和估计上存在局限,作者提出了一种非参数估计方法,并推导了估计量的渐近性质。为构建置信带,他们采用了bootstrap方法,并通过模拟研究比较了所提LROC曲线与现有AFROC曲线的表现。最后,将该方法应用于AI辅助肺结节诊断的性能评估。本文的方法学贡献在于为非参数LROC估计提供了理论保证,并处理了多标记情形,对医学影像诊断评估具有实际意义。
  • 关键技术: nonparametric estimation, bootstrap confidence bands, asymptotic theory, localization ROC curve, free-response ROC
  • 为什么对您有用: 本文属于医学诊断评估中的非参数统计方法,与您的主要兴趣(非参数与半参数理论、假设检验)相关,但更偏向应用。其非参数估计和bootstrap置信带方法可迁移至您熟悉的非参数统计框架,但核心问题并非您的主攻方向。作为流行病学或医学影像领域的应用型论文,它提供了真实数据集和完整分析流程,值得作为应用案例参考。

2. 10.1177/09622802261466468 — Nonparametric change-point control charts for joint monitoring of mean and covariance with application to medical imaging data

  • 作者: Guojun Liu, Jyun-You Chiang, Wen Liu, Yi Li
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Civil Aviation Flight University of China · Southwestern University of Finance and Economics · Chengdu Technological University
  • 分类: vol 35 · issue 9 · pp 1959-1979
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对医学影像数据提出一种 Phase I 非参数变点监控框架,用于联合监测均值和协方差的变化。在个体观测、高维且分布复杂的设定下,将已有的高维两样本均值与协方差检验统计量结合成两种控制图方案,控制限通过模拟确定。事后诊断程序可估计变点位置、判断变化类型(均值、协方差或两者)并筛选受影响变量。模拟研究显示所提控制图能保持名义在控误警概率,并具有良好的检出力。最后用阴道镜数据集展示了实际应用。对您而言,该文将高维两样本检验与统计过程控制结合,可作为假设检验在高维监控场景的一个应用案例。
  • 关键技术: control charts, change-point detection, high-dimensional two-sample tests, mean and covariance monitoring, simulation-based control limits
  • 为什么对您有用: 本文属于假设检验在高维监控中的应用,与您的高维统计和假设检验兴趣相关;但方法上主要是组合现有统计量,理论新颖性有限。作为应用型论文,其监控框架和诊断流程可迁移到其他医学影像或纵向数据场景。武器库中的高维两样本检验知识足以理解本文,但若要深入改进控制限的模拟效率或理论性质,可能需要补充统计过程控制的知识。

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1177/09622802261468020 — Advancing multilevel Bayesian networks with efficient Bayesian inference

  • 作者: Bezalem Eshetu Yirdaw, Legesse Kassa Debusho, Janet van Niekerk, Håvard Rue
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of South Africa · University of Pretoria · King Abdullah University of Science and Technology
  • 分类: vol 35 · issue 9 · pp 1910-1931
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出 INLA-MBN 框架,将多水平贝叶斯网络(MBN)与集成嵌套拉普拉斯近似(INLA)结合,用于纵向和横截面多水平数据的结构与参数学习。这是首个支持多个相关随机效应的 INLA-BN 实现,涵盖两个相关随机效应的纵向数据和两个以上相关随机效应的横截面数据,并处理高斯与混合(高斯+分类)节点。通过模拟研究,INLA-MBN 在小样本组或重复测量较少时优于基于最大似然估计的网络,且避免了 MCMC 的计算成本。方法应用于真实的纵向儿童发病率数据。对您而言,该文展示了 INLA 在复杂分层模型中的高效计算策略,与您对统计计算和算法实现的兴趣相关,但方法学新颖性有限,主要是工程集成。
  • 关键技术: Integrated Nested Laplace Approximation (INLA), multilevel Bayesian networks, structure learning, parameter learning, correlated random effects, Gaussian and categorical nodes
  • 为什么对您有用: 该文属于统计计算方向,涉及高效贝叶斯推断算法(INLA)在复杂分层模型中的应用,与您的 primary interest 中的 statistical computing 直接相关。您可以用 very_familiar 的软件开发和数值方法经验,快速评估其实现细节或复现模拟,属于立即可做的范畴;但若想深入改进 INLA 的近似精度,可能需要补充 MCMC 或变分推断的专门知识。

其他 (other, 2 篇)

1. 10.1177/09622802261468019 — A flexible bivariate cure model with shared random effect and associated inference and application to diabetic retinopathy data

  • 作者: Saptangshu Nandi, Sandip Barui, Debanjan Mitra, Narayanaswamy Balakrishnan
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Indian Statistical Institute · Indian Institute of Management Udaipur · Atilim University · McMaster University
  • 分类: vol 35 · issue 9 · pp 1857-1881
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对成对生存数据(如双眼糖尿病视网膜病变)提出双变量治愈模型,同时刻画边缘生存分布和个体间相关性。模型采用参数化边缘生存分布与共享脆弱项(假设为广义伽马分布)结合,允许一个或两个边缘存在治愈比例。推断基于似然,使用EM算法估计参数,并通过模拟研究评估估计的准确性和效率。真实数据应用展示了模型在揭示治愈动态和关联方面的优势,而单变量分析无法提供这些信息。该工作属于生存分析中治愈模型的扩展,对您而言,其EM算法与脆弱项建模思路可迁移至纵向因果推断中的潜在异质性处理,但方法学新颖性有限。
  • 关键技术: bivariate cure model, shared frailty, generalized gamma distribution, EM algorithm, likelihood-based inference
  • 为什么对您有用: 本文属于应用统计方法论文,与您的主要兴趣(因果推断、高维、U统计等)无直接交集,但可作为流行病学中成对生存数据的建模参考。其EM算法和脆弱项建模对处理纵向因果推断中的未观测异质性有一定启发,但核心机器(治愈模型)不在您的武器库中,且方法学贡献偏应用,因此仅作一般了解。

2. 10.1177/09622802261468025 · arXiv — A more interpretable regression model for count data with excess of zeros

  • 作者: Gustavo H. A. Pereira, Jeremias Leao, Manoel Santos-Neto, Jianwen Cai
  • 期刊/来源: Statistical Methods in Medical Research
  • 分类: vol 35 · issue 9 · pp 1897-1909
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对医学研究中常见的零膨胀计数数据,提出了一种更具可解释性的回归模型。传统零膨胀模型(如ZIP/ZINB)将响应分解为结构零和计数两部分,参数解释复杂;该模型直接对均值事件率和协变量依赖的离散度建模,并将离散度参数解释为聚集指数(index of clumping)和过离散控制参数,从而简化了参数含义。作者讨论了模型的推断与诊断工具,并通过蒙特卡洛模拟评估了极大似然估计的有限样本性能。最后,通过产前保健就诊次数的实际数据应用展示了模型的实用性。该工作属于应用统计建模范畴,方法学创新有限,但对医学计数数据的实践分析有参考价值。
  • 关键技术: zero-inflated regression, mean-parameterized model, dispersion modeling, maximum likelihood estimation, Monte Carlo simulation
  • 为什么对您有用: 本文属于流行病学应用方向(产前保健数据),可作为流行病学计数数据建模的入门读物;但方法学上未涉及您武器库中的核心工具(如U统计量、半参数效率理论),且模型估计基于经典似然方法,与您的主要兴趣交集有限。若您关注计数数据的可解释建模,可快速浏览应用部分;但无需深入方法细节。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论